CN108337656A - 一种移动群智感知激励方法 - Google Patents

Abstract

本发明涉及一种移动群智感知中带有数据质量激励的方法，在考虑多任务并发场景下，设定参与者根据自身能力仅能选择其中某一感知任务的基础上，首先根据参与者实际所获奖励以及参与该感知任务的开销确定参与者效用，并且在数据质量约束下衡量服务器效用；进而，通过建立规划模型以最大化总效用；其次，根据参与者实际所获奖励和满足感知任务数据质量要求的程度衡量参与者价值量，从而结合规划模型决策出全体最佳参与者；最后，依次从时间复杂度、参与者收益以及可靠性角度对此激励方法进行验证以确保准确高效完成感知任务，该激励方法时间复杂度低，同时以数据质量为依据保证参与者收益，可达到准确高效完成感知任务，提供实时在线服务的目的。

Description

一种移动群智感知激励方法

技术领域

本发明涉及无线网络技术领域，尤其是涉及一种移动群智感知激励方法。

背景技术

近年来，随着微电子技术的不断发展，移动设备通过嵌入加速度计、数字罗盘等一系列丰富的传感器而具有强大的感知能力。与此同时，用户利用移动设备感知单元能够有效获取交通、环境等实时数据，进而，平台通过收集、分析大量数据可达到提供实时在线服务的目的。将上述借助移动设备收集周围环境数据并提供实时在线服务这种新颖的模式称为移动群智感知(Mobile Crowd Sensing,MCS)，其中“群”表示大量用户及其移动设备，“智”指的是智能移动设备以及用户的智慧，“感”意味着通过移动设备获取周围环境数据，“知”则表示通过分析数据、挖掘知识以提供实时在线服务。在MCS中，通常称用户及其移动设备为参与者，称平台为服务器，而将数据和服务则分别称为感知数据和感知任务，同时，由于这种全新的感知模式能准确有效地提供环境监测、室内定位等实时在线服务，并且能广泛地适用于超大规模、环境复杂应用中，因此引起了业内人士的极大兴趣。

与传统无线传感器网络(Wireless Sensor Network,WSN)获取数据的方式相比，MCS具有更广泛的应用范围、更低的传感器部署成本以及更高的灵活扩展性，因此利用MCS收集数据能够提供更加准确高效的服务。然而，实际应用中移动设备获取感知数据时需消耗能量等资源，同时参与者共享感知数据存在泄露隐私信息的威胁，为此服务器往往给予一定的奖励以激励参与者积极获取感知数据，显然设计合理的激励方法以准确高效完成感知任务至关重要。

针对MCS中激励参与者获取感知数据问题，现有的研究主要包括基于拍卖机制分析参与者行为以及根据博弈论模拟参与者与服务器之间的交易两种方法。前种方式下，根据自身条件选择合适的感知任务并获取感知数据后，参与者将期望所获奖励消息发送到服务器，服务器接收到奖励消息后，以一定的准则选择其中部分参与者，从而被选中的参与者将感知数据上传到服务器以获得奖励；对于后种模式，在参与感知任务之前，参与者首先根据相关参数对其进行评估，然后预先提出期望所获奖励，最后参与者、服务器以及服务请求者三方因奖励约束而达到均衡。两种方式下均能激励参与者积极获取感知数据，然而都只从参与者角度进行分析，即如何激励参与者积极上传感知数据以获得更多奖励，因此均忽略了服务器在总奖励有限的条件下收集高质量数据的需求。针对MCS激励方法，现有技术中的机制均没有考虑感知数据质量因素，然而低质量数据严重影响服务器分析处理结果，无法达到准确高效提供服务的目的，可见，这些机制存在一定程度的局限性。

发明内容

本发明所要解决的技术问题是提供一种移动群智感知激励方法，该方法在多任务并发场景下，结合数据质量约束，即能保证参与者收益，又能够最大化其总效用。

本发明所采用的技术方案是，一种移动群智感知激励方法，该方法包括下列步骤：

(1)、在假设服务器对感知数据具有最低质量要求的前提下，分别衡量参与者效用以及服务器效用；

(2)、根据获取的感知数据质量以及服务器总奖励约束条件来建立规划模型以达到最大化总效用；

(3)、在分析参与者实际所获奖励以及感知数据满足质量要求程度的基础上，通过衡量参与者价值量，从而选择最佳参与者来完成感知任务；

(4)、依次从时间复杂度、参与者收益和可靠性三方面验证该激励方法的合理可靠性。

在步骤(1)中，衡量参与者效用以及服务器效用的方法为：在多任务并发情况下，设定参与者根据自身条件仅能选择其中某一感知任务，设参与者集合为U＝{u₁,u₂,,u_n}，感知任务集合为F＝{f₁,f₂,L,f_m}，将参与者u_i获取感知任务f_j相关数据所花费的开销设为c_ij，用x_ij表示服务器衡量参与者u_i对感知任务f_j的数据质量，服务器对其数据质量最低要求设定为k_j，而服务器能够支付的总奖励为r_j，则参与者可获得的总奖励v_j为：

上式(1)中S_j表示满足感知任务f_j质量要求的最佳参与者集合，对于感知任务f_j，在u_i∈S_j的条件下，当服务器接收到u_i感知数据后，设定服务器实际向u_i支付的奖励为p_ij，则参与者u_i对感知任务f_j的效用w_ij为：

根据服务器能够支付的总奖励以及参与者实际获得的总奖励可衡量服务器效用，对于感知任务f_j，此时服务器效用为：

在步骤(2)中，根据获取的感知数据质量以及服务器总奖励约束条件来建立规划模型以达到最大化总效用的方法为：根据上式(2)和上式(3)，感知任务f_j的效用为：

由于集合S_j表示参与感知任务f_j并且满足数据质量约束的最佳参与者，因此对于全部感知任务F，全体最佳参与者集合为：

在多任务并发场景下，此时总效用为各感知任务效用总和，即：

为最大化该总效用，根据数据质量、总奖励以及参与者约束，建立的规划模型为：

其中目标函数表示最大化总效用，而约束条件表示在多任务并发场景下，参与者至多参与其中某个感知任务，并且在满足数据质量的要求下，依据服务器实际支付总奖励选择全体最佳参与者。

在步骤(3)中，通过衡量参与者价值量来选择最佳参与者来完成感知任务的方法为：参与者u_i对感知任务f_j的价值量为：

y_ij表示u_i满足感知任务f_j数据质量要求的程度，则具体衡量方法可以表示为：

根据式(8)和式(9)可依次计算各参与者价值量，从而根据价值量的取值依次选择最佳参与者以达到准确高效完成感知任务的目的；将全体最佳参与者集合设为U′，此时可得服务器实际支付总奖励为：

为了衡量参与者u_i对感知任务f_j实际所获得的奖励p_ij，首先在参与者集合U中忽略参与者u_i，按照价值量原则可得全体最佳参与者集合为U′\{u_i}，此时服务器实际支付总奖励为：。

根据上式(10)和(11)，对于感知任务f_j，可得参与者u_i实际所获奖励p_ij为：

p_ij＝P(U′\{u_i})-P(U′)+c_ij (12)

即可决策出全体最佳参与者，并有效衡量参与者实际所获奖励。

在步骤(4)中，从时间复杂度来验证该激励方法的合理可靠性的方法为：根据式(8)来计算出参与者u_i对感知任务f_j价值量b_ij的时间复杂度为O(n)，根据式(9)计算出y_ij的时间复杂度为O(n·m)，根据式(12)计算出p_ij的时间复杂度为O(n)，因此可得该激励方法的时间复杂度为O(n³·m)，其中n和m分别为参与者数量以及感知任务总数，由此可判断出该激励方法时间复杂度为多项式复杂度，所以能高效完成感知任务。

本发明的有益效果是：本发明提出的移动群智感知激励方法考虑了数据质量因素，并以此为约束条件来达到最大化总效用，与现有激励方法相比，本专利提出的激励方法不仅时间复杂度低，而且能够保证最佳参与者具有非负收益，此外还通过可靠性验证，因此能有效激励参与者积极参与感知任务以达到准确高效提供实时在线服务的目的。

附图说明

图1为本发明中服务器支付奖励的流程图。

具体实施方式

以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。

本发明涉及一种移动群智感知激励方法，该方法包括下列步骤：

(1)、在假设服务器对感知数据具有最低质量要求的前提下，分别衡量参与者效用以及服务器效用；

(2)、根据获取的感知数据质量以及服务器总奖励约束条件来建立规划模型以达到最大化总效用；

(3)、在分析参与者实际所获奖励以及感知数据满足质量要求程度的基础上，通过衡量参与者价值量，从而选择最佳参与者来完成感知任务；

(4)、依次从时间复杂度、参与者收益和可靠性三方面验证该激励方法的合理可靠性。一、达到最大化总效用：

移动群智感知系统(MCS系统)由服务器、感知区域和参与者三部分组成，首先服务器以广播的方式发送感知任务消息，然后参与者接收到广播消息后在感知区域内获取任务相关数据，同时将数据上传到服务器，最后，服务器收集、分析并处理感知数据，从而达到准确高效完成感知任务以提供实时在线服务的目的。在上述过程中，同一时刻服务器可能会广播多个任务消息，此时在多任务并发情况下，设定参与者根据自身条件仅能选择其中某一感知任务，在此基础上，设定参与者集合为U＝{u₁,u₂,,u_n}，感知任务集合为F＝{f₁,f₂,,f_m}，将参与者u_i获取感知任务f_j相关数据所花费的开销表示为c_ij，用x_ij表示服务器衡量参与者u_i对感知任务f_j的数据质量。此外，考虑到当参与者感知数据质量满足约束条件时，服务器才选择接收感知数据并支付奖励，设定感知任务f_j假设服务器对其数据质量最低要求为k_j，服务器能够支付的总奖励为r_j，则参与者可获得的总奖励v_j为：

尽管参与者能够根据自身条件选择感知任务，但服务器还需根据数据质量约束进一步决策最佳参与者，因此，上式(1)中S_j表示满足感知任务f_j质量要求的最佳参与者集合，对于感知任务f_j，在u_i∈S_j的条件下，当服务器接收到u_i感知数据后，假设实际向u_i支付的奖励为p_ij，则参与者u_i对感知任务f_j的效用w_ij表示为：

根据服务器能够支付的总奖励以及参与者实际获得的总奖励可衡量服务器效用，对于感知任务f_j，此时服务器效用表示为：

根据上式(2)和(3)，此时感知任务f_j的效用可以表示为：

由于集合S_j表示参与感知任务f_j并且满足数据质量约束的最佳参与者，因此对于全部感知任务F，全体最佳参与者集合表示为：

在多任务并发场景下，此时总效用为各感知任务效用总和表示为：

为最大化总效用，根据数据质量、总奖励以及参与者约束，建立的规划模型为：

显然，上式(7)是典型的规划问题，其中目标函数表示最大化总效用，而约束条件表示在多任务并发场景下，参与者至多参与其中某个感知任务，并且在满足数据质量的要求下，依据服务器实际支付总奖励选择全体最佳参与者，从而达到准确高效完成感知任务的目的。

二、选择最佳参与者:

参与者为了获得服务器奖励，其感知数据必然尽可能地满足数据质量要求，然而参与者感知能力并非完全相同，导致最终实际获得的奖励存在较大差异，因此在总奖励有限的条件下，通过分析参与者价值量以决策全体最佳参与者显得尤为重要。考虑到参与者价值由实际所获奖励和数据质量共同决定，对于感知任务f_j，当实际获得的奖励越低，而数据越满足服务器质量约束时，显然参与者u_i价值越高，所以参与者u_i对感知任务f_j的价值量为：

上式(8)中y_ij表示u_i满足感知任务f_j数据质量要求的程度，具体衡量方法表示为：

根据式(8)和(9)可依次计算各参与者价值量，从而根据价值量的取值依次选择最佳参与者以达到准确高效完成感知任务的目的；如前所述，全体最佳参与者集合为U′，此时可得服务器实际支付总奖励为：

为了衡量参与者u_i对感知任务f_j实际所获得的奖励p_ij，首先在参与者集合U中忽略参与者u_i，按照价值量原则可得全体最佳参与者集合为U′\{u_i}，此时服务器实际支付总奖励可以表示为：

根据上式(10)和(11)，对于感知任务f_j，可得参与者u_i实际所获奖励p_ij可以表示为：

p_ij＝P(U′\{u_i})-P(U′)+c_ij (12)

综上，可决策全体最佳参与者，并有效衡量参与者实际所获奖励，该流程如图1所示。三、验证激励方法：

由于数据质量对感知结果至关重要，并且参与者与服务器之间因为总奖励存在冲突，为此对所提出的激励机制需进行验证以确保准确高效完成感知任务，并依次从时间复杂度、参与者收益以及可靠性角度进行验证。

对于时间复杂度，由于式(8)中计算参与者u_i对感知任务f_j价值量b_ij的时间复杂度为O(n)，式(9)中计算y_ij的时间复杂度为O(n·m)，而式(12)中计算p_ij的时间复杂度为O(n)，因此可得该激励方法的时间复杂度为O(n³·m)，其中n和m分别为参与者数量以及感知任务总数，由此可判断该激励方法时间复杂度为多项式复杂度，因此能高效完成感知任务。

对于参与者收益，以参与者u_i为例，为了验证u_i的收益非负，考虑到其参与感知任务f_j的开销和实际所获奖励分别为c_ij和p_ij，因此需要证明p_ij不小于c_ij，同时根据式(12)，故可转化为只需证明P(U′\{u_i})不小于P(U′)。假设P(U′\{u_i})＜P(U′)，即服务器支付参与者集合U′\{u_i}的总奖励小于支付参与者集合U′的总奖励，意味着相比于U′，U′\{u_i}为全体最佳参与者集合，然而与参与者u_i实际属于最佳参与者集合相矛盾，故假设错误，P(U′\{u_i})≥P(U′)成立，也表明p_ij不小于c_ij，由此可得该激励方法能保证参与者能获得非负收益。

对于可靠性，假设参与者u_i参与感知任务f_j时因恶意行为将实际所获奖励提高到p′_ij，在此前提下，按照式(8)可重新求得各参与者价值量，并且根据价值量原则若参与者u_i不再属于最佳参与者集合，表明服务器未收集u_i感知数据，故此时不影响感知结果，另外，假设在恶意行为下实际奖励提高到p′_ij时，按照价值量原则参与者u_i依然属于最佳参与者集合，此时参与者u_i对感知任务f_j的效用表示为：

w′_ij＝P′(U′\{u_i})-P′(U′)-c′_ij (13)

其中，P′(U′)为参与者u_i存在恶意行为时服务器需向最佳参与者支付的总奖励，而c′_ij表示此时参与者u_i对感知任务f_j的开销。

根据式(2)可知假若参与者u_i不存在恶意行为，此时对感知任务f_j的效用为w_ij，按照式(13)的模式，将式(2)改写为：

w_ij＝P(U′\{u_i})-P(U′)-c_ij (14)

此时为验证可靠性，需证明w_ij-w′_ij≥0，根据式(13)和(14)可得w_ij-w′_ij表示为：

w_ij-w′_ij＝P(U′\{u_i})-P(U′)-c_ij-[P′(U′\{u_i})-P′(U′)-c′_ij] (15)

考虑到集合U′\{u_i}中，不管参与者u_i是否存在恶意行为，此时不影响服务器支付的总奖励，意味着P(U′\{u_i})等于P′(U′\{u_i})，故根据式(15)仅需证明P′(U′)+c′_ij不小于P(U′)+c_ij即可验证所提激励方法的可靠性。此处假设P′(U′)+c′_ij小于P(U′)+c_ij，则可得到不等式：

P′(U′)+c′_ij-c_ij＜P(U′) (16)

不等式(16)表示对于最佳参与者集合U′，在参与者u_i存在恶意行为的条件下，服务器总奖励开销小于P(U′)，然而根据式(10)知当最佳参与者集合为U′时，P(U′)为实际最低总奖励开销，意味着P′(U′)+c′_ij-c_ij不可能小于P(U′)，由此可知假设错误，故w_ij-w′_ij≥0，从而所提激励方法可靠性得以验证。

Claims (5)

1.一种移动群智感知激励方法，其特征在于：该方法包括下列步骤：

(一)、在假设服务器对感知数据具有最低质量要求的前提下，分别衡量参与者效用以及服务器效用；

(二)、根据获取的感知数据质量以及服务器总奖励约束条件来建立规划模型以达到最大化总效用；

(三)、在分析参与者实际所获奖励以及感知数据满足质量要求程度的基础上，通过衡量参与者价值量，从而选择最佳参与者来完成感知任务；

(四)、依次从时间复杂度、参与者收益和可靠性三方面验证该激励方法的合理可靠性。

2.根据权利要求1所述的一种移动群智感知激励方法，其特征在于：在步骤(一)中，衡量参与者效用以及服务器效用的方法为：在多任务并发情况下，设定参与者根据自身条件仅能选择其中某一感知任务，设参与者集合为U＝{u₁,u₂,Λ,u_n}，感知任务集合为F＝{f₁,f₂,L,f_m}，将参与者u_i获取感知任务f_j相关数据所花费的开销设为c_ij，用x_ij表示服务器衡量参与者u_i对感知任务f_j的数据质量，服务器对其数据质量最低要求设定为k_j，而服务器能够支付的总奖励为r_j，则参与者可获得的总奖励v_j为：

上式(1)中S_j表示满足感知任务f_j质量要求的最佳参与者集合，对于感知任务f_j，在u_i∈S_j的条件下，当服务器接收到u_i感知数据后，设定服务器实际向u_i支付的奖励为p_ij，则参与者u_i对感知任务f_j的效用w_ij为：

根据服务器能够支付的总奖励以及参与者实际获得的总奖励可衡量服务器效用，对于感知任务f_j，此时服务器效用为：

3.根据权利要求2所述的一种移动群智感知激励方法，其特征在于：在步骤(二)中，根据获取的感知数据质量以及服务器总奖励约束条件来建立规划模型以达到最大化总效用的方法为：根据步骤(二)中得到的式(2)和式(3)，感知任务f_j的效用为：

由于集合S_j表示参与感知任务f_j并且满足数据质量约束的最佳参与者，因此对于全部感知任务F，全体最佳参与者集合为：

在多任务并发场景下，此时总效用为各感知任务效用总和，即：

为最大化该总效用，根据数据质量、总奖励以及参与者约束，建立的规划模型为：

其中目标函数表示最大化总效用，而约束条件表示在多任务并发场景下，参与者至多参与其中某个感知任务，并且在满足数据质量的要求下，依据服务器实际支付总奖励选择全体最佳参与者。

4.根据权利要求3所述的一种移动群智感知激励方法，其特征在于：在步骤(三)中，通过衡量参与者价值量来选择最佳参与者来完成感知任务的方法为：参与者u_i对感知任务f_j的价值量为：

y_ij表示u_i满足感知任务f_j数据质量要求的程度，则具体衡量方法可以表示为：

根据式(8)和式(9)可依次计算各参与者价值量，从而根据价值量的取值依次选择最佳参与者以达到准确高效完成感知任务的目的；将全体最佳参与者集合设为U′，此时可得服务器实际支付总奖励为：

为了衡量参与者u_i对感知任务f_j实际所获得的奖励p_ij，首先在参与者集合U中忽略参与者u_i，按照价值量原则可得全体最佳参与者集合为U′\{u_i}，此时服务器实际支付总奖励为：

根据上式(10)和(11)，对于感知任务f_j，可得参与者u_i实际所获奖励p_ij为：

p_ij＝P(U′\{u_i})-P(U′)+c_ij (12)

即可决策出全体最佳参与者，并有效衡量参与者实际所获奖励。

5.根据权利要求4所述的一种移动群智感知激励方法，其特征在于：在步骤(四)中，从时间复杂度来验证该激励方法的合理可靠性的方法为：根据式(8)来计算出参与者u_i对感知任务f_j价值量b_ij的时间复杂度为O(n)，根据式(9)计算出y_ij的时间复杂度为O(n·m)，根据式(12)计算出p_ij的时间复杂度为O(n)，因此可得该激励方法的时间复杂度为O(n³·m)，其中n和m分别为参与者数量以及感知任务总数，由此可判断出该激励方法时间复杂度为多项式复杂度，所以能高效完成感知任务。